随着 Helios 挑战 Nvidia AI 技术栈，AMD 投资逻辑发生转变

AMD 推出了首个量产机架级 AI 系统，使 AMD 的投资叙事转变为对 Nvidia 高度集成基础设施的直接挑战。

在 Advancing AI 2026 大会上，AMD 发布了 Helios，以及 Instinct MI400 GPU、第六代 EPYC 处理器、Pensando 网络技术和扩展后的 ROCm 软件平台。公司表示，Helios 已进入量产阶段，部署规模将以千兆瓦计。

这改变了竞争框架。AMD 不再要求客户将一款加速器与另一款加速器进行比较，而是提供了一整套机架系统，旨在与 Nvidia 的 Vera Rubin NVL72 平台竞争。

这一转变提高了两家公司面临的门槛。Nvidia 多年来一直在整合 GPU、网络、CPU、软件库和部署工具。AMD 现在必须证明，开放性和客户选择权能够在运营中的数据中心带来可比的结果。

AMD 的投资叙事如今围绕 Helios 展开

Helios 将 AMD 的 AI 战略从芯片产品组合转变为完整的基础设施产品。

AMD 于 2026 年 7 月 23 日在旧金山举行的年度 Advancing AI 活动上发布了 Helios。该系统在一个机架中集成了 72 个 Instinct MI455X GPU 和 18 个第六代 EPYC CPU。

Pensando 网络技术在机架内部及机架之间连接这些处理器。AMD 的开放式 GPU 软件平台 ROCm 则在硬件之上提供编程和运行时层。

这一架构至关重要，因为现代 AI 系统已不再像一组彼此独立的服务器。训练和推理工作负载日益覆盖整个机架，在这种情况下，通信的重要性可能不亚于处理器的原始速度。

机架级系统将处理器、内存、网络、冷却和软件视为一台协调运作的机器。Nvidia 通过其 NVL 系统确立了这一模式，随后又借助 Vera Rubin 将其扩展。

AMD 的 Helios 发布使公司加入了同一场竞争。这一公告还推出了多款面向最大型数据中心之外工作负载的产品。

第六代 EPYC 产品组合的最高密度处理器达到 256 核和 512 线程。AMD 将这些 CPU 定位于云服务、企业应用、高性能计算，以及 AI 智能体所使用的环境。

智能体工作负载涉及模型规划任务、调用工具、检索信息，并跨多个步骤评估结果。这些操作需要 GPU，但也会带来可观的 CPU 和网络需求。

MI455X 成为 Helios 内部的主要加速器。AMD 表示，在一项特定的内部测试中，它的 token 吞吐量达到上一代 MI355X 的 34 倍。

该比较采用 DeepSeek V4 Flash 和 FP4 服务模式。这仍是 AMD 的测量结果，实际生产表现将取决于模型行为、软件版本和系统配置。

AMD 还推出了面向高精度科学计算的 MI430X。该公司称，这款加速器支持最高 288 teraflops 的硬件 FP64 性能。

另一款 MI350P 卡面向希望在现有服务器设计中采用更新推理硬件的机构。AMD 表示，相较于一款 Nvidia 产品，它每美元每秒可提供高达 4.2 倍的 token 产出。

这些发布带来了产品广度，但 Helios 承担着核心战略意义。它将 AMD 技术打包为一种可由大型客户在系统层面评估的产品。

OpenAI 预计将在 2026 年第四季度让 Helios 上线，随后在 2027 年加快部署。Meta 已开始在 Helios 机架上测试工作负载，同时验证新的 EPYC 平台。

Anthropic 计划通过一项多年合作部署最多两千兆瓦的 MI455X GPU。Microsoft、Oracle、HUMAIN、Tensorwave、Vultr 和 Cirrascale 也出现在 AMD 列出的采用者名单中。

这份客户名单在大规模部署前为 AMD 提供了宝贵的验证。不过，协议和测试项目并不等同于持续性的生产使用。

这一区别界定了 AMD 投资逻辑的下一阶段。Helios 已不再只是路线图中的一页幻灯片，但其性能仍需经受真实工作负载和运营限制的考验。

智能体 AI 正让 CPU 再次成为战略性基础设施

智能体 AI 的转变将竞争扩大到 GPU 之外，也为 AMD 提供了更多竞争路径。

生成式 AI 基础设施最初聚焦于训练大型模型。这类工作负载将注意力集中在加速器上，尤其是 Nvidia 的 GPU 和 CUDA 软件。

智能体系统带来了不同的工作负载组合。一次用户请求可能触发规划、代码执行、检索、验证以及反复的模型调用。

模型仍在加速器上生成 token。但 CPU 负责管理编排、工具环境、数据准备、存储访问，以及围绕生成过程的许多支持服务。

这一模式有利于能够供应系统多个组成部分的公司。AMD 已销售服务器 CPU、GPU、自适应处理器、嵌入式芯片和网络产品。

第六代 EPYC 的发布直接利用了这种广度。AMD 表示，凭借更高的核心和线程密度，这些处理器可以在每个机架中支持更多并发智能体环境。

该公司的计算以 CPU 线程作为智能体容量的代理指标。实际容量将因内存、编排软件、模型规模和工具活动而异。

这一限定很重要。执行简单查询的智能体，与在隔离环境中测试软件的智能体，所带来的需求并不相同。

不过，底层基础设施的转变具有可信度。Nvidia 也推出了面向智能体工作负载的专用 Vera CPU 机架，这表明 CPU 仍是新兴架构的核心。

Nvidia 表示，其 Vera CPU 机架集成了 256 个处理器，并支持超过 22,500 个并发 CPU 环境。这一数字同样是厂商测量结果，但揭示了竞争方向。

两家公司如今都将智能体 AI 描述为系统性问题。胜者必须在大规模环境下协调 CPU、加速器、网络、内存、存储、安全性和软件。

AMD 估计，到 2030 年，数据中心、PC、边缘系统和嵌入式设备的需求将创造约 2 万亿美元的可服务市场。这一预测涵盖的范围远不止 Helios。

投资者应将这一估计视为规划假设，而非营收预测。AMD 自身的公告将其界定为一项前瞻性陈述，面临市场和执行风险。

当前财务业绩提供了更坚实的基础。AMD 报告称，2026 年第一季度营收为 103 亿美元，其中数据中心营收达到 58 亿美元。

根据 AMD 的季度业绩，数据中心营收较上年同期增长 57%。该业务部门已成为公司增长的主要来源。

这些数字表明，AMD 已拥有庞大的数据中心业务。它们并未揭示有多少营收来自 AI 加速器、EPYC 处理器或相关系统。

智能体 AI 的逻辑让 AMD 有机会在每次部署中销售更多产品。一份 Helios 订单可以包括 GPU、CPU、网络组件和 ROCm 支持服务。

实体 AI 将同一战略延伸至集中式基础设施之外。AMD 推出了 Ryzen AI Embedded X100 处理器和 Kria 机器人平台，后者结合了 CPU、GPU、NPU 和 FPGA 资源。

神经处理单元，即 NPU，可加速低功耗 AI 操作。FPGA 是一种可编程芯片，客户可将其配置用于专门的数据处理和控制任务。

AMD 将 Kria 平台定位于必须在现实世界时间约束下进行感知、推理和行动的机器。潜在应用包括工业机器人、自主设备和智能边缘系统。

AT&T 也提到使用 AMD 硬件和 ROCm 运行 OTel 2.0，这是一款面向电信行业的开源模型。Cisco 计划将 AMD 推理系统与其网络、监控和安全技术相结合。

这些案例拓宽了 AMD 的机会，但不应分散对核心考验的注意力。Helios 必须证明 AMD 能够成为与 Nvidia 竞争的可靠机架级供应商。

AMD 与 Nvidia 的 AI 竞争如今是一场全栈对决

AMD 的主要对手并非某一款 Nvidia GPU，而是 Nvidia 的集成系统和成熟的软件分发能力。

AMD 与 Nvidia 在 AI 领域最清晰的比较，是 Helios 对阵 Vera Rubin NVL72。两套系统均采用通过协调机架架构连接的 72 个 GPU。

这种数字上的对称性让比较变得容易，但底层设计有所不同。Helios 使用 18 个 EPYC CPU，而 Vera Rubin NVL72 集成了 36 个 Vera CPU。

两家公司都将加速器与其自主掌控的网络和软件结合。两者也都声称在训练和推理经济性方面实现了重大改进。

Nvidia 的 Vera Rubin 平台集成了 Rubin GPU、Vera CPU、NVLink 6 交换机、ConnectX-9 适配器、BlueField-4 处理器和 Spectrum-6 Ethernet。

Nvidia 表示，Vera Rubin NVL72 训练混合专家模型所需的 GPU 数量仅为其 Blackwell 平台的四分之一。它还声称具有更高的每瓦推理吞吐量。

混合专家模型会针对每个请求激活选定的神经网络组件。这种设计可以在不为每个 token 使用全部参数的情况下扩大模型容量。

AMD 表示，Helios 每美元可提供比领先竞争方案高出最多 30% 的推理 token。其脚注将该方案确定为 Nvidia Vera Rubin NVL72。

该比较采用 AMD 对 Kimi K2 Thinking 工作负载的估计，输入为 32,000 个 token，输出为 8,000 个 token，同时还依赖于预估的每小时 GPU 定价。

这些条件限制了这一说法的适用范围。不同的模型、响应长度、利用率水平和商业协议都可能显著改变结果。

每 token 成本也仅反映运营经济性的一部分。数据中心运营商还必须考虑电力供应、冷却、可靠性、软件人力、网络效率和部署时间。

Nvidia 的优势始于其已安装的软件基础。CUDA 支持庞大的开发工具、优化软件库、框架和受过训练的工程师群体。

ROCm 已有所改进，主流框架如今也支持 AMD 加速器。然而，兼容性并不能保证性能、调试质量或运营成熟度相当。

AMD 正通过 ROCm.ai 作出回应，这是一个让编程智能体理解 AMD 硬件和 ROCm 概念的开发层。该平台支持包括 Claude、Codex 和 Cursor 在内的助手。

这一理念很务实。AI 编程工具可以帮助开发者迁移内核、发现配置问题，并针对新加速器优化工作负载。

AMD 和 Anthropic 计划在 AMD 自身的工程流程中使用 Claude。双方合作包括为 Instinct GPU 优化软件，以及加快 ROCm 开发。

这一安排形成了有用的反馈循环。Anthropic 获得了另一种大型基础设施选择，而 AMD 则得到了一位能够暴露软件瓶颈的高要求客户。

OpenAI 也正与 AMD 在芯片和软件层面开展合作。两家公司正将 OpenAI 的 Triton 编程框架与 ROCm 结合，用于 GPT 级工作负载。

双方的关系早于此次 Helios 新公告。2025 年 10 月公布的一项基础设施协议涵盖了跨越多代产品、最高六吉瓦的 AMD GPU。

首个吉瓦原计划于 2026 年下半年投入使用。Advancing AI 2026 增加了更具体的运营里程碑，预计 Helios 将在第四季度上线。

大型客户希望拥有替代方案，因为基础设施过度集中会带来供应、定价和战略风险。即便 Nvidia 仍是其主要平台，支持 AMD 也能改善其议价地位。

这种动态有助于 AMD 打入客户账户，但也使解读变得复杂。客户可以宣布大规模部署 AMD，同时以更快速度继续扩张 Nvidia 容量。

Nvidia 将 Anthropic、Meta、Microsoft、OpenAI、Oracle 以及许多其他 AI 公司列为 Vera Rubin 采用者。其中多家公司同样出现在 AMD 的客户名单中。

因此，客户标识并不能证明替代效应。它们表明，领先买家正在设计异构基础设施，而非选定一个永久赢家。

全栈竞争将取决于工作负载分配。如果客户将重要的训练和高容量推理任务分配给 Helios，而不只是将其用于溢出容量，AMD 的可信度就会提升。

通过开放架构解读 AMD Helios

AMD 押注于开放、模块化的技术栈，能够在不牺牲机架级性能的前提下，对抗 Nvidia 更深度的集成能力。

“开放平台”这一表述可以有多种含义。对于 Helios，它涵盖软件访问、标准接口、合作伙伴选择，以及组合不同供应商组件的能力。

AMD 的 ROCm 软件为开源软件，允许客户检查并修改编程栈的重要部分。常见的机器学习框架可以面向 ROCm 运行，而无需采用完全独立的应用架构。

Helios 系统也将来自多家制造商。AMD 列出了 Bull、HPE、Lenovo 和 Supermicro，以及基础设施合作伙伴 Sanmina 和 Wiwynn。

这种供应商模式可以增加客户选择空间，也能让数据中心运营商保留与现有服务器供应商及系统集成商的合作关系。

Nvidia 也将其 MGX 参考架构描述为开放，其合作伙伴网络规模更大。因此，这场竞争并非简单的开放 AMD 对阵封闭 Nvidia。

真正的差异在于控制权。Nvidia 对自身的 CPU、GPU、互连、网络适配器、数据处理单元、库和管理软件进行紧密协调。

AMD 协调自身硬件，但更依赖标准接口和更广泛的合作伙伴体系。这种模式可以降低对单一供应商的依赖，但也增加了集成责任。

从组件层面解读 AMD Helios，可以看出为何集成仍然困难。MI455X GPU 必须足够快速地交换数据，才能像一个大型加速器一样协同工作。

EPYC 处理器必须持续向这些 GPU 提供数据。Pensando 网络必须连接各个机架，同时避免通信开销抵消加速器带来的收益。

随后，ROCm 必须调度任务、管理内存、提供优化内核，并与客户现有工具集成。任何一个薄弱环节都可能限制系统吞吐量。

这一机制也解释了 AMD 与 Cerebras 的合作。双方计划在 Helios 与 Cerebras 晶圆级处理器之间分配推理工作。

提示词处理和长上下文任务可以通过 AMD 基础设施运行。Cerebras 硬件则可以处理 token 生成阶段，在这一阶段，内存带宽和延迟变得至关重要。

解耦式推理会将同一请求的不同阶段分配给专用架构。它可以提高效率，但也会带来通信和调度复杂性。

Cerebras 预计将在 2026 年晚些时候通过其云平台提供该组合系统。这一部署可能成为对 AMD“开放性支持非传统基础设施组合”主张的早期检验。

AMD 的物理 AI 产品也在更小规模上应用了类似原则。Kria 机器人开发者平台在一个系统中结合了多种处理器类型。

其 CPU 负责通用软件和控制任务。GPU 支持并行计算，而 NPU 则加速高效的神经网络推理。

FPGA 可以负责专用传感器处理和确定性控制。确定性运行意味着系统会在可预测的时间窗口内作出响应，这对物理机器十分重要。

这种广度为开发者提供了多种计算引擎，但也增加了正确划分软件并在生产阶段持续维护的工作量。

AMD 表示其平台可消除供应商锁定。这一说法夸大了任何硬件平台所能保证的程度。

应用程序仍会依赖驱动程序、优化工具、部署工作流和性能特征。即使框架同时支持 AMD 与 Nvidia，在两者之间迁移也可能需要大量测试。

更准确的论点是，AMD 提供了另一种可行的架构。客户可以借此实现供应多元化、协商商业条款，并让基础设施匹配具体工作负载。

这是一项实质性优势，但不应假定可轻松移植。最有力的证据将来自在两种系统上运行同一生产工作负载的客户。

这些数字仍取决于 AMD 自身的假设

AAI 2026 展现了 AMD 的雄心，但大多数性能主张仍有待独立的生产环境证据验证。

AMD 所称每美元 token 数高出 30% 的优势，基于内部估算而非中立基准测试。该计算包含预测定价和一个限定的工作负载。

MI455X 吞吐量提升 34 倍的说法，同样是在选定条件下比较 AMD 两代产品得出。它并不能证明相对于 Nvidia 最新加速器的同等优势。

这些披露并不会使结果失效，而是界定了结果实际能够支持的结论。

基准测试的选择很重要，因为智能体 AI 工作负载差异很大。有些请求使用很长的输入上下文，另一些则生成更长的输出，或反复调用工具。

利用率同样重要。即使加速器峰值吞吐量很高，如果软件或网络使其处于闲置状态，其经济效益也可能很差。

生产系统必须能够从组件故障、软件错误和网络拥塞中恢复。当数千个处理器协同运行时，可靠性的重要性可能超过基准测试优势。

部署速度带来另一项风险。Helios 于 7 月进入量产，而 OpenAI 预计将在第四季度将其上线。

这一时间表仅为制造、安装、认证和工作负载调优留下数月时间。延迟可能将有意义的收入推迟到后续时期。

供应限制并不只涉及 AMD 自身芯片。Helios 依赖先进制造、高带宽内存、网络组件、冷却系统以及充足的数据中心电力。

AMD 的监管文件特别警告称，客户可能难以获得数据中心容量和能源。其风险披露还涵盖内存供应和制造良率。

以吉瓦计的承诺使电力尤其重要。一吉瓦相当于一座大型发电厂的输出功率，尽管实际项目的耗电量会随时间变化。

以吉瓦表述的合同表明了规模，但并未说明交付时点、利用率或已确认收入。部分承诺还跨越多个硬件世代。

软件仍然是最持续的执行问题。AMD 已对 ROCm 进行了大量投入，客户合作也应有助于其改进。

不过，Nvidia 仍在持续更新 CUDA、库、网络和部署软件。AMD 追逐的是一个不断移动的目标，而非固定的兼容性门槛。

Nvidia 也正在大规模交付 Vera Rubin。该公司在 5 月表示，该平台正通过数百家供应链合作伙伴全面爬坡量产。

这为 AMD 带来艰难比较。Helios 不仅需要表现良好，还必须与客户已经在安装的既有平台竞争。

因此，AMD 的投资逻辑存在明显张力。客户需求看似强劲，但收入质量取决于部署速度、利润率和重复订单。

销售完整机架可以提高 AMD 在每次安装中的内容价值，但也可能使公司面临不同于单独销售处理器的集成成本和支持要求。

随着 AI 系统收入扩张，投资者应关注毛利率。不断增长的系统业务可以带来收入增长，但其利润率结构可能不同于单纯的加速器销售。

客户集中度带来另一项不确定性。OpenAI、Meta、Anthropic、Microsoft 和其他大型买家能够带来巨大规模。

但它们也拥有很强的议价能力。任何项目延期或架构变化都可能影响 AMD 的预测。

出口管制和贸易政策构成额外风险。先进加速器在多个市场面临限制，未来规则可能改变可触达的客户基础。

这些问题都不否定此次发布。它们解释了为何产品可用性只是证据周期的起点，而非结论。

AMD 投资者接下来应关注什么

三个信号将表明 Helios 是会成为持久平台，还是仍只是一个可信的次要选择。

第一个信号是 OpenAI 在第四季度的部署。AMD 已将一个具体的运营时间窗口与其最重要的客户关系之一联系起来。

投资者应关注 Helios 是否已投入服务、其支持哪些工作负载，以及部署是否会在 2027 年加速。延期将削弱 AMD 的执行叙事。

工作负载类型与安装日期同样重要。生产推理将验证经济性，而前沿训练将以更大规模检验网络与软件能力。

第二个信号是独立性能证据。客户、云服务商和技术评测机构需要在具有代表性的工作负载下，将 Helios 与 Vera Rubin 进行比较。

有用的测量指标包括每秒 token 数、首个 token 时间、能耗、利用率、故障恢复能力和工程投入。结果应覆盖多种模型和上下文长度。

广泛的优势将强化 AMD“开放性能与 Nvidia 集成技术栈竞争”的主张。结果参差不齐则意味着工作负载专业化仍然必要。

第三个信号是财务转化。AMD 后续报告应揭示，随着 Helios 出货开始，数据中心业务增长是否加速。

投资者应重点关注数据中心收入、毛利率、供应评论，以及管理层对已确认 AI 销售的描述。仅凭客户承诺无法回答这些问题。

公司第一季度业绩提供了强劲起点。数据中心收入已经占季度总收入的一半以上。

不过，AMD 必须证明机架级 AI 带来的是可持续增长，而不是在产品之间转移现有需求。重复订单的分量将高于最初认证量。

其路线图加大了压力。AMD 计划于 2027 年推出 MI500 GPU 和 Helios 500，随后于 2028 年推出 MI600 和 Helios 600。

年度节奏可以让 AMD 与客户规划周期保持一致，但也缩短了每一代产品在下一代平台到来前实现稳定的时间。

Nvidia 同样遵循激进的更新节奏。因此，AMD 与 Nvidia 的 AI 竞争将奖励持续稳定的执行，而不是单次有利的发布。

开发者应关注 ROCm.ai 改善常见工作流的速度。更快的安装、更好的诊断能力以及可靠的框架支持，能够减少采用加速器过程中的隐性工作量。

企业采购方应使用自身应用来检验可移植性的说法。一次成功的测试应涵盖生产环境中使用的模型、检索系统、安全控制和监控工具。

知识工作者将间接受到影响。更低的推理成本可以支持更长的推理过程、更多工具调用，以及更广泛地使用始终可用的智能体。

但硬件成本降低并不会自动带来可信赖的智能体。组织仍需要受控的信息来源、权限管理、评估机制和人工监督。

AMD 最有力的论点已不再是它销售一款具有竞争力的加速器，而是客户能够构建完整的 AI 系统，而无需接受单一供应商的整套架构。

这一主张如今已有硬件、软件、合作伙伴和部署承诺作为支撑。它所缺少的，是在 Helios 规模下长期生产运行的记录。

对于 AMD 投资者而言，下一个问题很具体：主要客户是否会将 Helios 从已宣布的产能转化为持续、对业务至关重要的工作负载？

关注 OpenAI 的部署情况、独立机架基准测试以及 AMD 的数据中心利润率。这些信号结合起来，将显示 Helios 是会改变市场结构，还是仅仅扩大客户的议价能力。